El propósito de la investigación de este documento es obtener un modelo de algoritmo con alta precisión de predicción para el precio de Bitcoin al día siguiente a través de la regresión de bosque aleatorio y LSTM, y explicar qué variables influyen en el precio de Bitcoin. Hay mucha literatura previa sobre la investigación de la predicción del precio de Bitcoin, y los métodos de investigación giran principalmente en torno al modelo ARMA de series temporales y el algoritmo LSTM de aprendizaje profundo. Aunque no se puede probar mediante la prueba de Diebold-Mariano que la precisión de predicción de la regresión de bosque aleatorio sea significativamente mejor que la de LSTM, los errores de predicción RMSE y MAPE de la regresión de bosque aleatorio son mejores que los de LSTM. Los cambios en las variables que determinan el precio de Bitcoin en cada período también se obtienen a través de la regresión de bosque aleatorio. Desde 2015 hasta 2018, tres índices del mercado de valores de EE. UU., NASDAQ, DJI y S&P500, así como el precio del petróleo y el precio de ETH, tienen impacto en los precios de Bitcoin. Desde 2018, las variables importantes se han convertido en el precio de ETH y el índice del mercado de valores japonés JP225. La relación entre la precisión y el número de períodos de las variables explicativas introducidas en el modelo muestra que para predecir el precio de Bitcoin para el día siguiente, el modelo con solo un rezago de las variables explicativas tiene la mejor precisión de predicción.